裂缝是路面最主要的病害之一，及时、有效地检测和评估裂缝对路面养护至关重要。为实现路面裂缝图像快速、准确的语义分割，提出一种基于DeepLabv3+模型的路面裂缝检测方法。为减小模型参数量、提高推理速度，采用MobileNetv3作为模型的主干特征提取网络，且在空洞空间金字塔池化模块中使用Ghost卷积代替普通卷积，使模型更加轻量化。为避免替换主干网络降低模型精度：首先，在空洞空间金字塔池化模块中使用条形池化模块代替全局平均池化，有效捕获裂缝结构的上下文信息，避免无关区域噪声的干扰；其次，引入轻量级通道注意力机制efficient channel attention（ECA）模块，增强特征的表达能力，并设计浅层特征融合结构丰富图像的细节信息，优化模型对裂缝的识别效果；最后，构造混合损失函数解决裂缝数据集类别不平衡而导致检测精度较低的问题，利用迁移学习的训练方式提高模型的泛化能力。实验结果表明：所提路面裂缝检测模型参数仅为14.53 MB，比原模型参数量减少93.04%，平均帧率达到47.18，满足实时检测的要求；在精度方面，该模型裂缝检测结果的交并比和F1值分别为57.21%和72.76%，优于经典的DeepLabv3+、PSPNet、U-Net模型和先进的FPBHN、ACNet等模型。所提方法可大幅减小模型参数量，在保证路面裂缝检测精度的同时满足实时性，为基于语义分割的路面裂缝在线检测奠定基础。

针对现有语义分割方法检测高速公路护栏时存在预测速度慢、分割精度低的问题，提出一种基于改进DeepLabV3+的无人机高速公路护栏检测方法。首先，采用MobileNetv2网络替换原模型的主干并输出中层特征，减少参数量的同时恢复降采样过程中丢失的空间信息；然后，采用密集连接扩张卷积改进空洞空间金字塔池化，以减少漏分割现象；最后，在编码器部分引入空间分组增强（SGE）注意力机制，减少错分割现象。实验结果表明，改进后模型平均交并比、平均像素准确率、画面每秒传输帧数达到了79.20%、87.89%、52.59，相比基础模型，分别提高了2.59%、2.93%、56.70%，参数量降低了78.85%，能够在保障模型预测速度的同时提高对护栏的分割精度。

针对遥感地物图像具有背景复杂且种类众多的特点, 利用传统算法进行分割会导致边缘模糊、信息丢失及分割精度低的问题, 提出了一种基于改进DeepLabV3+网络的语义分割算法。首先, 在主干网络中引入改进后的特征提取网络CHRNet; 其次, 使用非下采样轮廓波变换(NSCT)算法重构空洞空间金字塔池化(ASPP)模块中的全局池化操作; 最后, 在模型编码和解码阶段添加无参数的注意力机制SimAM, 加强模块间的特征传递, 提高特征利用率。实验表明, 在PASCAL VOC2012和WHDLD数据集上, 改进算法的平均交并比(MIoU)分别达到了81.56%和64.2%, 较原有算法分别提升了约4.61和2.8个百分点, 改进算法在保证分割速率的同时, 提升了分割精度。

针对普通卷积神经网络在遥感图像分割中林地边界区域识别不完整、小片林地分割精度低的问题,提出一种基于transformer与注意力机制的DeeplabV3+网络改进方法。在编码阶段引入transformer机制,将原池化金字塔部分中的空洞卷积操作替换为可获取更多上下文信息的transformer操作,从而提高网络对林地边界信息的提取能力; 将注意力机制引入到网络的解码部分,提升模型对小片林地的检测能力。实验表明,采用改进后的方法平均交并比(MIou)可达到81.83%,对比原DeepLabV3+网络模型提升了1.25%。该方法充分考虑了卫星遥感图像分割中林地边缘信息的提取以及对小目标的关注度,提出的改进方法可提升遥感图像中对林地提取的精度。

针对普通卷积神经网络在遥感图像分割中小目标识别度不高、分割精度低的问题，提出了一种结合特征图切分模块和注意力机制模块的遥感影像分割网络AFSM-Net。首先在编码阶段引入特征图切分模块，对每个切分的特征图进行放大，通过参数共享的方式进行特征提取；然后，将提取的特征与网络原输出图像进行融合；最后，在网络模型中引入注意力机制模块，使其更关注图像中有效的特征信息，忽略无关的背景信息，从而提高模型对小目标物体的特征提取能力。实验结果表明，所提方法的平均交并比达到86.42%，相比于DeepLabV3+模型提升了3.94个百分点。所提方法充分考虑图像分割中小目标的关注度，提升了遥感图像的分割精度。

为解决传统DeepLabv3+算法在遥感影像变化检测上出现的边缘目标分割不精确、分类结果差的问题，提出了一种改进DeepLabv3+的高分辨率遥感影像变化检测方法。首先，基于深度分离卷积与空洞卷积构建了DeepLabv3+模型，大大降低了模型的计算量和参数量。其次，通过引入异感受野改进池化金字塔结构，同时在解码器模块中加入多尺度特征张量，对中间流结构进行残差改造，优化Xception骨干网络，并通过设置权重系数对网络通道进行权重配置优化，从而改进DeepLabv3+模型。最后，采用非生成性和生成性样本扩充方法构建数据集，并通过实验对比分析了所提方法的检测精度与泛化性能。实验结果表明，所提方法能够有效改善图形的输出分辨率和细节特征，具有良好的泛化性能和较高的检测准确率，且与其他对比方法相比，所提方法的图像检测准确率较高，整体精度指标最高可达96.4%。

为了提升室外场景下语义分割的精度,提出一种改进的DeepLabV3+神经网络分割算法。其主干部分采用分组的ResNest网络,使各类目标训练权重占比不同,以密集连接的方式改进空洞空间卷积金字塔池化(ASPP)模块,在不牺牲特征空间分辨率的同时扩大感受野,并且提升特征复用效率。解码端融合编码端提取的3种不同尺度的低层语义特征,以恢复在降采样过程中丢失的空间信息。实验结果表明,在CityScape数据集的检测中,该算法不仅提高了目标的分割准确率,而且对全场景理解和细节处理能力均有明显提升。

基于DeepLabV3+进行图像分割时，在特征提取阶段忽略了不同级别的特征图中存在的特征重要程度不同，丢失了大量的细节信息，致使分割效果不佳。针对该问题，提出了一种基于DeepLabV3+与注意力机制相结合的图像语义分割算法。在骨干网络Xception模型中提取两条低级特征作为解码器的输入特征，提高特征提取的准确性；采用通道注意力模块有效融合高级特征，获取丰富的上下文信息；采用空间注意力模块提取低级特征，过滤背景信息，减少细节信息的丢失；采用深度可分离卷积代替空洞卷积有效降低参数量，提高计算速度；同时，采用焦点损失作为损失函数通过降低内部加权，提高最终的分割效果。实验结果表明，所提算法在PASCAL VOC 2012数据集上的平均交并比（mIoU）值达到了84.44%，与传统算法和基于DeepLabV3+改进的算法相比，有效提高了特征提取的准确性，减少了特征细节信息的损失，对最终的分割效果有了较好的提升。